遥感图像分类:最大似然法与神经网络应用
需积分: 50 34 浏览量
更新于2024-08-06
收藏 1.73MB PDF 举报
"这篇硕士学位论文探讨了基于神经网络的遥感影像识别技术,主要涉及最大似然分类法以及BP神经网络、Kohonen自组织特征映射网络(SOM)、模糊Kohonen聚类网络(FKCN)和改进的自适应FKCN(AFKCN)在遥感图像分类中的应用。"
遥感图像分类是遥感技术的核心部分,主要依赖于地物的光谱特性。传统的分类方法包括监督分类和无监督分类,其中监督分类需要已知样本,如最大似然分类法。最大似然分类是一种常见的监督分类方法,基于统计学的假设,即各类别的数据遵循正态分布。这种方法通过计算每个像素点属于各类别的概率,选择概率最大的类别作为分类结果,以实现高精度的分类。
最大似然分类的判决规则基于概率统计,它假设每个像素的光谱特征服从特定类别的概率分布。在多变量空间中,这些特征形成不同形状的分布,通常呈现椭圆或椭球状。分类时,算法会计算像素点落入各类别的概率,并选择概率最高的类别作为分类归属。
然而,传统的分类方法在面对复杂场景和不确定性时可能表现不佳。为了解决这些问题,神经网络技术被引入到遥感图像分类中。例如,BP(Backpropagation)神经网络能通过反向传播学习来调整权重,适应遥感图像的复杂性。论文中还提到了Kohonen自组织映射网络,这是一种无监督学习方法,用于发现数据的结构和模式。模糊Kohonen聚类网络则结合了模糊逻辑,允许在分类过程中考虑不确定性,提高分类的鲁棒性。
此外,论文还介绍了一种改进的自适应FKCN网络,这种网络在分类过程中能自适应地调整参数,以更好地适应遥感图像的特性。通过与遥感专业软件ERDAS的结合,这些神经网络模型被应用于实际的遥感影像数据,如渤海湾地区的1M遥感影像,先进行初步的无监督分类,然后利用神经网络进行二次精确定位。
这篇论文深入研究了遥感图像分类的传统方法及其局限性,并探索了神经网络技术如何克服这些局限,提供更高效和准确的分类结果。通过结合不同类型的神经网络和模糊逻辑,研究者旨在开发出更适应遥感数据特性的分类算法,从而提高遥感信息提取的准确性和效率。
105 浏览量
2015-04-10 上传
2014-10-19 上传
2021-05-31 上传
2021-06-01 上传
2021-04-29 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
臧竹振
- 粉丝: 48
- 资源: 4065
最新资源
- 探索AVL树算法:以Faculdade Senac Porto Alegre实践为例
- 小学语文教学新工具:创新黑板设计解析
- Minecraft服务器管理新插件ServerForms发布
- MATLAB基因网络模型代码实现及开源分享
- 全方位技术项目源码合集:***报名系统
- Phalcon框架实战案例分析
- MATLAB与Python结合实现短期电力负荷预测的DAT300项目解析
- 市场营销教学专用查询装置设计方案
- 随身WiFi高通210 MS8909设备的Root引导文件破解攻略
- 实现服务器端级联:modella与leveldb适配器的应用
- Oracle Linux安装必备依赖包清单与步骤
- Shyer项目:寻找喜欢的聊天伙伴
- MEAN堆栈入门项目: postings-app
- 在线WPS办公功能全接触及应用示例
- 新型带储订盒订书机设计文档
- VB多媒体教学演示系统源代码及技术项目资源大全